众多研究表明实体肿瘤在不同水平上具有时间和空间异质性，基因、蛋白质、细胞、微环境、组织和器官限制了基于活检的分子分析，甚至限制了常规病理检查的使用。影像学作为一种非侵入性方式具有巨大的潜力，随着影像技术的不断发展，影像开始从定性转变为定量。

        2012年，荷兰学者Lambin首次提出影像组学(Radiomics)的概念。影像组学是通过图像预处理、特征提取和筛选、构建预测模型等流程定量分析隐含在医学图像背后的人体分子与基因变化，它具有以非侵入性方式捕获肿瘤内异质性的能力，能对肿瘤进行更加全面的分析，可用于肿瘤的鉴别诊断、分子分型、治疗方案选择、疗效检测和预后评估等方面。

        神经外科对不同病理类型的脑肿瘤有着不同的治疗方案，因此术前准确鉴别诊断、评估脑肿瘤情况对于指导临床诊疗极其重要。但一些脑肿瘤术前往往难以准确鉴别，影响治疗方案的选择，导致治疗效果欠佳。

        自2012年提出以来，影像组学在脑肿瘤鉴别诊断等方面的研究日益增多，特异性和敏感性不断提高，可以辅助实现精准诊疗决策。但影像组学是一个相对较新的领域，目前影像组学提取、筛选的特征尚无法和影像定性分析，如血管、水肿、增强等一一对应，可解释性不足。

        影像组学分析的结果也受图像采集、感兴趣区设置、参数提取、数学模型等各种因素影响，可重复性较低，即使针对同一种肿瘤不同的研究往往得到不同的特征，临床上应用仍较少，大多医师对此也没有足够的了解和重视。本研究就选取几个常见术前明确诊断具有重要临床意义的脑肿瘤，对影像组学在这些脑肿瘤鉴别诊断的研究进展综述如下。

1.影像组学在原发脑肿瘤鉴别诊断的研究

        1.1影像组学在胶质瘤的鉴别诊断研究

        1.1.1鉴别胶质母细胞瘤和原发性中枢神经系统淋巴瘤

        临床上术前无创性准确鉴别原发性中枢神经系统淋巴瘤(primarycentralnervoussystemlymphoma，PCNSL)与胶质母细胞瘤(glioblastoma，GBM)，对临床诊疗决策至关重要，因为两者的治疗方案有很大不同。对于PCNSL患者，明确诊断后给予以大剂量甲氨蝶呤为基础的化疗是主要的治疗方法;然而，GBM患者通常需要先行最大安全范围内全切除，随后采取替莫唑胺口服化疗，并联合放疗。

        常规MRI成像通常能够区分典型的PCNSL与GBM，但有些病例则难以区分。近年来有许多研究通过影像组学对无创性鉴别PCNSL和GBM进行探索，大多研究都得到较好的结果。

        Suh等在2019年发表的一项荟萃分析纳入22项研究，含1182例患者，纳入的研究中有14个基于反映肿瘤细胞性质的扩散加权成像(diffusion-WeightedImaging，DWI)或体素内非相干运动(introvoxelincoherentmovement，IVIM)MRI系列，9个采用反映肿瘤血管的动态磁化率加权对比增强成像(dynamicsusceptibilitycontrast-enhanced，DSC)或动脉自旋标记(arterialspinlabeling，ASL)系列，也有研究基于反映渗透性的动态对比增强成像(dynamiccontrast-enhancedimaging，DCE)系列，荟萃分析提示合并的敏感度为91%(95%CI，87%~93%)，特异度为89%(95%CI，85%~93%)，结果显示基于反映肿瘤血管的DSC或ASL序列的影像组学分析有更高的诊断性能。

        研究表明基于MRI的影像组学分析在鉴别PCNSL与GBM总体上具有较高的诊断性能，可相当准确地鉴别PCNSL与GBM，灵敏度和特异度均较高，但仍需要更大样本量、多中心的前瞻性研究进一步验证。

        1.1.2胶质瘤亚型与分级

        胶质瘤是中枢神经系统最常见的神经上皮性肿瘤，由于各级别的胶质瘤生物学组织类型不同，预后各不相同。术前预测组织学分级和侵袭性，有助于准确评价肿瘤生物学行为，辅助临床治疗决策，为胶质瘤患者的精确治疗提供依据。近年来不少研究显示，影像组学分析可以对胶质瘤的分子亚型进行比较准确地分类，从而预测胶质瘤的分子亚型，可用于指导胶质瘤的个性化治疗。

        Su等回顾性分析了220例经病理证实的胶质瘤患者和10例对照患者，收集了病例的T1WI、T2WI、DWI、PWI等MRI系列以及病理分级和增值指数Ki-67等资料，探讨基于MRI的影像学诊断胶质瘤亚型和预测肿瘤增殖的可行性和诊断性能，分析发现基于多对比MRI的影像组学可以精确区分胶质瘤亚型并预测肿瘤增殖行为。

        Macyszyn等从105例GBM患者的术前MRI图像中提取了大约60个不同的特征，用机器学习算法推导出GBM患者生存和分子亚型的成像预测因子，这些预测因子前瞻性预测新诊断的29例GBM患者(长/中/短)生存期的准确率接近80%。在一些临床试验中，抗血管生成疗法对新诊断的GBM患者无效，这可能是肿瘤的异质性所致。

        Liu等试图确定可能受益于抗血管生成治疗的GBM的亚型，研究者从2个独立队列的117例GBM患者的术前和治疗前的灌注磁共振图像中提取表征肿瘤区域和整个肿瘤的定量图像特征进行影像组学分析，确定了一组血流灌注特征升高并与较差的患者存活率显著相关的患者亚组;进一步的研究发现这两个队列中的血管生成亚型患者，如果同时接受化疗和抗血管生成治疗，生存期将显著延长;结果表明，血管生成亚型的GBM患者能从抗血管生成治疗中获益。

        根据胶质瘤患者的影像特征筛选出对某种治疗反应敏感的亚型，可能比基于肿瘤病理组织类型及分级选择的治疗效果更好，比肿瘤分子分型和基因检测更加简便、快捷、经济，有利于做到真正的个性治疗，从而提高总体存活率。

        1.1.3胶质瘤生物标志物的预测

        随着对脑胶质瘤基础和临床研究的深入，2016版世界卫生组织中枢神经系统肿瘤分类首次在组织学基础上加入了分子学特征。脑胶质瘤生物标志物与其生物学行为、病理类型及分级等有密切关系，可影响肿瘤对治疗的反应，甚至决定治疗方案和预后，尽早明确对于指导治疗具有重要临床意义。

        建立准确可靠的模型术前预测分子病理学诊断有助于胶质瘤患者的初步诊断、评估和制定治疗计划。近年来，已有不少研究尝试利用影像组学方法预测几种关键性神经胶质瘤分子生物标志物，如异柠檬酸脱氢酶(isocitratedehydrogenase，IDH)、O6-甲基鸟嘌呤-DNA-甲基转移酶(O6-methylguanineDNAmethyltransferase，MGMT)和p53等。

        由于准确性和可重复性仍有待进一步提高，该方法尚未得到美国FDA批准用于临床，目前尚不足以应用到临床，但作为一个很有前景的研究方向已被广泛关注。Wu等认为随机森林(randomforest，RF)是预测弥漫性胶质瘤IDH基因型的一种有前途的机器学习方法，具有较高的预测性能(准确度0.885±0.041，AUC0.931±0.036)。机器学习结合影像组学构建的模型可改善IDH突变状态的术前预测。

        Sasaki等试图建立一个基于MRI的影像组学模型预测肿瘤的MGMT启动子甲基化状态，但发现其准确性不足以用于实际应用。p53突变状态是胶质瘤的关键生物标志物，Li等发现基于常规MRI提取的影像组学特征的机器学习模型可以预测低级别胶质瘤的p53突变状态;国内也有其他一些研究做类似的尝试，但效果欠佳。

        根据胶质瘤患者基因突变情况选择合适的治疗方案是目前最可靠的方法，但基因检测费用高，耗时长，通过影像组学预测肿瘤的生物标志物将极大降低费用、节省时间，可在手术前制定更加适宜的治疗方案，但仍须进一步提高诊断准确性。

        1.2影像组学在脑膜瘤的鉴别诊断研究

        1.2.1血管瘤型脑膜瘤和血管外皮细胞瘤/孤立性纤维瘤的鉴别

        血管外皮细胞瘤(hemangiopericytoma，HPC)恶性程度高，侵袭性强，易复发和转移;其临床症状和影像表现与血管瘤型脑膜瘤(angiomatousmeningioma，AM)相似，通过临床和影像鉴别比较困难，易误诊。但血管瘤型脑膜瘤通常是良性的，它们的治疗原则有很大不同，因此术前鉴别准确鉴别诊断对临床诊疗具有重要意义。

        Li等回顾性分析24例恶性HPC患者和43例AM患者，通过构建4个支持向量机(supportvectormachine，SVM)分类器(1个基于临床特征，3个基于纹理特征)，并且三位神经放射科医生同时通过视觉独立诊断，评估基于纹理分析的机器学习模型在鉴别HPC和AM方面是否能产生更准确的诊断;结果显示增强T1WI分类器的AUC为0.90，显著高于T2-FLAIR和DWI分类器的AUC(0.77和0.73)。

        基于临床特征的SVM分类器的AUC为0.66，略低于3位神经放射科医师的AUC(AUC=0.69、0.70和0.73)。从增强T1WI提取的纹理特征构建的SVM分类器在术前鉴别恶性HPC和AM具有较好的敏感性、特异性和准确性。Kanazawa等也证实MRI纹理分析有助于鉴别孤立性纤维瘤(solitaryfibroustumor，SFT)/HPC与脑膜瘤，尤其是血管瘤型脑膜瘤。影像组学和机器学习结合可以在一定程度提高影像的诊断能力，但需要选择合适的系列，同时需要更大样本量的验证。

        1.2.2脑膜瘤分级及预后评估

        脑膜瘤是颅内常见肿瘤，首选手术治疗，但其临床治疗以肿瘤分级和生物学行为为指导。脑膜瘤分级是制定治疗方案和手术方案的重要依据，也是影响患者治疗和预后的最常见的因素之一，所以术前准确判断肿瘤分级有助于临床治疗。但目前肿瘤分级需在手术切除和组织病理学检查之后确定。许多研究表明术前MRI影像组学方法为脑膜瘤的治疗计划提供了客观、有价值的临床信息。

        许多研究表明影像组学分析和机器学习技术利用治疗前MRI影像可以准确地预测脑膜瘤的分级和组织亚型。Coroller等发现脑膜瘤的影像学特征与病理分级存在很强的相关性。Zhu等应用基于深度学习的影像组学模型比较准确地对脑膜瘤进行了无创性分级。

        Hamerla等纳入5个国际中心的138例患者，使用源自多参数MRI的影像组学特征的机器学习在将脑膜瘤分为低级别和高级别时，具有高灵敏度和高特异性。Laukamp等发现影像组学特征和联合Fisher判别分析在脑膜瘤亚型术前鉴别诊断中有较好的表现，具有潜在的临床应用价值。

        Niu等研究表明基于影像组学的特征分析可应用于常规MRI的脑膜瘤分级，多因素Logistic回归模型具有较强的分类性能，区分I级和II级脑膜瘤的AUC为0.91。利用计算机成像特征预测肿瘤生物学行为和建立临床相关参数模型的先进成像分析是影像组学研究新兴领域。

        Morin等研究了基于临床、影像学和影像学特征的预后模型，发现恶性脑膜瘤预后的影像学和影像学预测因子与侵袭性脑膜瘤生物学的分子标志物存在显著相关，如体细胞突变负荷、DNA甲基化状态和FOXM1表达。部分颅底脑膜瘤次全切除后出现早期进展/复发(progression/recurrence，P/R)。

        Zhang等研究的影像组学模型中，预测P/R的准确率为90%。在排除术者、手术切除程度等影响因素后，筛选出脑膜瘤复发的高危患者有利于加强术后随访，并早期采取防治措施。术前MRI影像组学方法也可为脑膜瘤的治疗计划提供了客观、有价值的临床信息。

2.影像组学在继发性脑肿瘤的鉴别诊断研究

        2.1影像组学在转移性脑肿瘤和GBM的鉴别诊断研究

        由于手术计划、疾病分期和治疗方法的不同，临床上脑转移瘤和GBM的鉴别诊断亦非常重要。MRI是评估脑肿瘤患者的首选方法，但由于GBM和孤立性脑转移瘤在MRI上的表现可以很相似，特别是有的高级别脑瘤和脑转移瘤有相似的坏死中心、不规则的边缘强化和周围水肿，因此区分两者具有挑战性。

        Moran等回顾性分析了212例GBM患者和227例脑转移患者(乳腺、肺和其他)，应用影像组学分析鉴别GBM和脑转移瘤的亚型;结果显示使用SVM分类对GBM和脑转移瘤的鉴别效果最好，平均准确率为0.85，灵敏度为0.86，特异性为0.85，AUC为0.96。国内也有不少研究探讨影像组学在GBM和脑转移瘤鉴别诊断中的作用。

        Qian等研究412例孤立性脑肿瘤患者(242例GBM和170例孤立性脑肿瘤)，评估了12种特征选择方法和7种分类方法，ROC曲线分析表明，SVM+最小绝对收缩和选择算子(AUC为0.9)的分类具有最高的预测正确率。在准确性、敏感度和特异性方面均优于神经放射科医生。然而，不足的是在当前的研究中，大多是单中心的回顾性研究，一些研究显示灵敏度和特异性仍有较大提升空间。

        2.2影像组学在脑转移癌原发部位的鉴别研究

        9%~50%的恶性肿瘤患者可发生脑转移，不少脑转移瘤在诊断其原发部位之前被发现，部分患者未能通过影像等术前检查明确转移癌的原发部位，只能手术或活检明确原发肿瘤。脑转移癌由于原发部位的不同，自然病史、预后、治疗和治疗意义也不同，因此区分准确、及时明确原发部位具有重要意义。所以，近年来就有一些研究提出基于MRI的影像组学方法来对几种常见的来源进行预测分类。

        Ortiz等发现纹理分析对肺癌和黑色素瘤的脑转移癌能很好地分类，该研究分析了50例脑转移瘤(纳入肺癌27例，黑色素瘤23例)的T1WI图像，从分割的病灶中提取二维和三维的纹理特征，使用嵌套交叉验证方案对五个预测模型进行评估;结果显示3D纹理特征比2D纹理特征能够更准确地对这两种类型的病变进行分类，效果最好的模型为朴素贝叶斯，其AUC值为0.947±0.067。该研究进一步对肺癌、黑色素瘤和乳腺癌的脑转移癌进行了鉴别研究，也有不错的结果。

        Helge等研究基于不同脑转移瘤MRI影像特征的多分类机器学习方法预测肿瘤类型的可行性。这项单中心回顾性研究纳入189例患者包括乳腺癌(n=143)、小细胞肺癌(n=151)、非小细胞肺癌(n=225)、胃肠道癌(n=50)和黑色素瘤(n=89)，得出五分类问题的AUC范围为0.64(对于非小细胞肺癌)到0.82(对于黑色素瘤)，该研究分类器的预测性能优于放射科医生的阅片。

        当前的研究结果虽然仍不足以应用到临床当中，但可提示影像组学在未来经过努力有很大潜力可用来鉴别、预测脑转移癌的原发部位。

3.影像组学在脑肿瘤与非肿瘤性病变的鉴别诊断研究

        3.1影像组学在脑肿瘤复发与放射性坏死的鉴别研究

        手术、化疗和放疗是治疗胶质瘤和脑转移瘤等恶性脑肿瘤的常见手段。常规放疗和立体定向放射外科(stereotacticradiosurgery，SRS)治疗后，可发生放射性坏死，在影像上与肿瘤复发或进展难以区分，但其及时、准确鉴别对后续的治疗有很重要的作用。

        Zhang等利用从71例经病理证实为坏死或进展的患者的T1增强后MR图像提取的影像组学特征开发和验证预测模型，以区分伽玛刀治疗的脑转移瘤放射性坏死和肿瘤进展。筛选出11个特征模型的总体预测准确率为83.1%，其中预测坏死的真阳性率为58.8%，预测肿瘤进展的真阳性率为90.7%，预测模型的曲线下面积为0.79。

        Hotta等探讨11C-蛋氨酸(methionine，MET)-PET影像组学在鉴别复发性脑肿瘤和放射性坏死中的作用，并与传统的肿瘤/正常皮质(tumor/normal，T/N)比值评估相比较。影像组学和T/N比值评价的敏感性分别为90.1%和60.6%，特异性分别为93.9%和72.7%，曲线下面积分别为0.98和0.73，可见MET-PET影像组学在鉴别复发性脑瘤和放射性坏死方面有很好的效果，优于T/N比值的评估。

        Tiwari等探讨影像组学特征在鉴别放射性坏死和复发性脑肿瘤中的可行性，回顾性分析了58例患者放化疗后9个月的脑肿瘤MRI表现;通过SVM分类器分类，并将分类性能与两位神经放射科专家的诊断进行比较，FLAIR系列的AUC最高为0.79。Hettal等基于影像数据和机器学习建立了分类模型，能够分别预测91%和75%的病例的进展和放射性坏死，20例患者的总准确度为85%。

        Peng等纳入了约翰霍普金斯卫生系统的因脑转移癌而接受SRS治疗，随后因症状性生长而接受切除的患者，结果显示建立在影像组学特征基础上的预测模型表现良好，但这些结果需要在独立的数据进一步验证。影像组学作为一种非侵入性的手段，可用来确定放射外科术后扩大病变的状态，提高原发性和转移性脑肿瘤放射性坏死与复发的鉴别，早期识别可能是复发或进展的病灶，帮助做出手术切除与保守治疗的决策。

        3.2影像组学在胶质瘤与脑实质炎症的鉴别研究

        世界卫生组织(WorldHealthOrganization，WHO)Ⅱ级胶质瘤是常见的原发性脑肿瘤，手术治疗是首选的治疗方法。脑实质炎症是一种颅内较为常见的伴有神经功能障碍的非肿瘤占位性病变，非手术治疗是治疗的主要方法。在临床中，准确区分脑实质炎症和胶质瘤对治疗具有重要意义。这些病变的临床症状和体征相似，辅助检查手段常无法提供有力的鉴别，在非典型病例中，MRI检查也无法得到明确的诊断。

        这种诊断上的困境可能会导致活检、不必要的手术，不正确使用药物，甚至放疗，最终可能加重患者的病情。因此，临床迫切需要一种更有效、稳定的方法在非增强人群中鉴别脑实质炎症和胶质瘤。

        Han等选取了57例患者(39名Ⅱ级胶质瘤患者和18例脑实质炎症患者)，使用T1WI和T2WI序列的MRI数据，探讨影像组学特征在鉴别胶质瘤与脑实质炎症中的诊断价值，结果显示基于MRI的影像组学特征在区分胶质瘤与脑实质炎症方面是有效的，甚至超过了有多年阅片经验的放射科医生的水平。T2WI的诊断效果优于T1WI，组合模型中80%的特征来自T2WI，表明T2WI可能提供更有价值的信息。

4.展望

        在强调精准诊疗的时代，随着近几年来影像组学的快速发展，在不少研究中术前通过影像组学相对准确预测肿瘤的病理类型、分子标志物或生物学特性等已经成为可能。影像组学作为一种无创的检测手段已越来越受重视，在应用范围、方法学等方面得到不断深入、拓展和优化，影像组学在脑肿瘤等方面的研究成果大量涌现。

        这些研究仍以回顾性、单一中心为主，病例数较少，可重复性有待进一步提高和验证，提取和筛选的影像组学特征尚不能与肿瘤定性特征很好地一一对应，可解释性不足。同时，基于传统机器学习算法的影像组学也存在着特征和算法之间的依赖性。

        而近年来随着深度学习的发展，无监督学习模式可以很大程度减少特征筛选的偏移以提高准确性，目前尚不足以在临床中应用。若这些问题能得到解决，影像组学在临床诊疗中将可能被广泛应用，影像学检查结果才能最大程度地发挥其临床实用性。

        来源：刘培堃,李学军.影像组学在脑肿瘤鉴别诊断的研究进展[J].临床神经外科杂志,2022,19(01):112-116.